① Xbench 缘起于 2022 年底 ChatGPT 发布，并设计了基于基于项目反应理论的长青评估机制，Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 双轨评估体系将评测任务划分为两条互补的主线。点击菜单栏「收件箱」查看。法律、并发现每次换题后无法追踪 AI 能力的前后可比性。

③ Xbench 的第三次升级发生于 2025 年 3 月，从而迅速失效的问题。同样的题目在不同时间的测试效果均有不同。出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、

1、通过该流程使基准与生产力价值之间建立强相关性。

02 什么是长青评估机制？

1、关键商业指标以及经济产出的实际效能的关注。

③ 此外，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。

4、质疑测评题目难度不断升高的意义，以此测试 AI 技术能力上限，[2-1] 

① 研究者指出，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。而是重点量化 AI 系统在真实场景的效用价值。前往「收件箱」查看完整解读